[发明专利]一种基于自回归移动平均和支持向量机的农产品需求量预测方法

权利要求书

1.一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：由于自回归移动平均模型要求序列是线性的，也就是平稳序列；因此，首先是要检验农产品需求量序列的平稳性，若序列非平稳化，需要将序列转化为平稳序列；

步骤1农产品需求量序列平稳化

1)农产品需求量序列是否平稳，观察农产品需求量序列是否有波动趋势，通过自相关图和偏自相关图是否收敛来检验序列的平稳性；2)若自相关图和偏自相关图不收敛，表明农产品需求量序列是非平稳的，需要对序列做自然对数差分，若序列波动趋势基本消除，但部分样本仍有较大差别，表明序列存在季节性，需要对序列做季节差分，直至序列均值与0无显著差异，说明序列已平稳化；

步骤2自回归移动平均建模

由于农产品需求量序列经过对数差分及季节差分，通过观察序列的偏自相关图，从低阶到高阶逐步识别模型的类型和阶数，确定ARIMA模型的参数ARIMA(p，d，q)，其中p为自回归阶数；q为移动平均项数；d为差分阶数；

步骤3支持向量机建模

使用原农产品需求量序列减去步骤2的预测序列得到残差序列，对残差序列使用支持向量机模型进行预测，即用SVM模型来逼近非线性函数，其中核函数和参数采用交叉验证方法进行优化，使得最优参数下训练得到的模型对残差序列进行预测；

步骤4整合预测结果

将步骤2的预测结果和步骤3的预测结果整合相加，得到自回归移动平均和支持向量机的预测结果。

2.根据权利要求1所述的一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：首先对农产品需求量序列中需求量指标进行指数化，序列随时间的变化出现偏差，通过其自相关图和偏自相关图发现序列是非平稳的，自相关图通过计算自相关函数(ACF)来获得，而偏自相关图通过计算偏自相关函数PACF来获得。

3.根据权利要求1所述的一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：部分样本的自相关系数和偏自相关系数不为0表明序列存在季节性，需要对序列做季节差分，对序列进行0均值检验，直至检验结果显示序列均值与0无显著差异。

4.根据权利要求1所述的一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：由于农产品需求量序列经过自然对数逐期差分及季节差分，通过观察序列的偏自相关图，从低阶到高阶逐步试探法去识别模型的类型和阶数，确定ARIMA模型的参数，通过ARIMA算法公式计算得到了ARIMA预测结果。